CN113033330A - 一种基于轻型卷积神经网络的舌体姿态异常判别方法 - Google Patents
一种基于轻型卷积神经网络的舌体姿态异常判别方法 Download PDFInfo
- Publication number
- CN113033330A CN113033330A CN202110243772.8A CN202110243772A CN113033330A CN 113033330 A CN113033330 A CN 113033330A CN 202110243772 A CN202110243772 A CN 202110243772A CN 113033330 A CN113033330 A CN 113033330A
- Authority
- CN
- China
- Prior art keywords
- tongue
- size
- layer
- posture
- training
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 15
- 230000005856 abnormality Effects 0.000 title description 7
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 238000011176 pooling Methods 0.000 claims abstract description 18
- 239000003814 drug Substances 0.000 claims abstract description 12
- 206010036436 Posture abnormal Diseases 0.000 claims abstract description 9
- 208000028752 abnormal posture Diseases 0.000 claims abstract description 7
- 238000013461 design Methods 0.000 claims abstract description 6
- 239000010410 layer Substances 0.000 claims description 73
- 238000013135 deep learning Methods 0.000 claims description 12
- 230000002159 abnormal effect Effects 0.000 claims description 10
- 238000013528 artificial neural network Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000003384 imaging method Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 239000011159 matrix material Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 102100040605 1,2-dihydroxy-3-keto-5-methylthiopentene dioxygenase Human genes 0.000 claims description 3
- 101000966793 Homo sapiens 1,2-dihydroxy-3-keto-5-methylthiopentene dioxygenase Proteins 0.000 claims description 3
- 239000011229 interlayer Substances 0.000 claims description 2
- 238000003745 diagnosis Methods 0.000 abstract description 9
- 238000002474 experimental method Methods 0.000 abstract description 7
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013145 classification model Methods 0.000 abstract description 2
- 238000012850 discrimination method Methods 0.000 abstract 1
- 230000036544 posture Effects 0.000 description 28
- 238000004458 analytical method Methods 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- RTAQQCXQSZGOHL-UHFFFAOYSA-N Titanium Chemical compound [Ti] RTAQQCXQSZGOHL-UHFFFAOYSA-N 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000002405 diagnostic procedure Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 208000024891 symptom Diseases 0.000 description 1
- 208000011580 syndromic disease Diseases 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/40—Spoof detection, e.g. liveness detection
- G06V40/45—Detection of the body part being alive
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
一种基于轻型卷积神经网络的舌体姿态异常判别方法属于计算机视觉领域和中医舌诊领域。本发明设计了一个层数较浅、易于训练的卷积神经网络,用于对舌体姿态进行分类判别。该方法包括三个步骤:第一步是构建舌体姿态异常分类数据集;第二步是设计舌体姿态异常分类网络;第三步是利用构建的数据集对分类网络进行训练,得到分类模型,用于对舌体姿态异常进行判别。本发明以多轮实验的方式确定了效果最优的网络架构,用于进行舌体姿态的异常判决,所提出的网络架构在保证有较高分类准确度的同时,具有较少的卷积层和池化层,计算复杂度低,可以满足实际应用需求。
Description
技术领域
本发明属于计算机视觉领域和中医舌诊领域,具体涉及深度学习、图像处理等技术。
背景技术
舌诊是中医四诊中的核心内容,医生通过观察患者的舌色、苔色、腐腻、胖瘦等各种 舌象特征来诊察病症,是中医辨证施治的关键环节之一。长期以来,舌诊主要是通过医生 的目测观察、经验来判断病证。与西医相比,缺乏定量化、客观化、标准化的度量与分析手段。受到医生知识水平和经验等主观因素的影响,舌诊结果因人而异,难以统一,可重 复性差,直接影响了辨证施治的规范化和标准化。随着时代的变迁,舌诊客观化已成为中 医发展的必然之路。
中医舌诊客观化研究中,普遍采用数字化成像设备对舌象信息进行采集。受到光照、 成像焦距、病人伸舌姿态等复杂因素的影响,现有舌象采集方式所获取的舌图像中有近三 分之一不符合临床诊察要求,具体表现为舌体姿态异常,如舌体暴露不充分或伸舌不放松 等,这给后续的舌象诊察特征自动分析带来严重的影响。因此,需要研究舌体姿态异常判 别方法,使计算机可以自动对采集得到的病患舌体姿态情况进行自动判定,剔除姿态异常 的舌体,避免由于舌体姿态异常对后续智能化分析造成影响。
近年来,深度学习在图像分类、目标检测、图像检索等多个领域取得了重要突破。深 度学习之所以取得巨大成功,原因在于以下几点:首先,深度学习有非常强的拟合能力,在数据量允许的情况下,可以逼近任何复杂的函数。由于拥有多个隐藏层,隐藏层内还有分布丰富的隐藏结点,这样的结构本身使神经网络对特征的表达能力非常强。其次,深度学习是完全由数据驱动的机器学习方法,从大数据中自动挖掘数据的内部结构,获得层次化的特征表达。相比于传统的机器学习方法,深度学习具有更强的模型泛化能力。
本发明提出了一种基于深度学习的中医舌体姿态异常判决方法。针对舌体姿态异常分 类任务的具体需求,设计了一种轻型卷积神经网络,以多轮实验的方式确定了效果最优的 网络架构,用于进行舌体姿态的异常判决。所提出的网络架构在保证有较高分类准确度的 同时,具有较少的卷积层和池化层,计算复杂度低,可以满足实际应用需求。
发明内容
本发明的目的是提供一种具有较高分类准确度、计算复杂度低的舌体姿态异常判决方 法。本发明设计了一个层数较浅、易于训练的卷积神经网络,用于对舌体姿态进行分类判 别。总的来说,该方法主要包括三个步骤:第一步是构建舌体姿态异常分类数据集;第二 步是设计舌体姿态异常分类网络;第三步是利用构建的数据集对分类网络进行训练,得到 分类模型,用于对舌体姿态异常进行判别。
步骤1:构建舌体姿态异常分类数据集
本发明使用SIPL型中医舌象仪进行舌图像的采集。在实际采集过程中,由于患者伸 舌姿势配合不当、或者拍摄时间节点误差等问题常常会导致舌体姿态出现异常。通常舌体 姿态异常样本有两类,第一类是伸舌面积过小。部分患者会出现一些紧张情绪,导致舌体 没有完全伸出。还有一种情况是由于病人患有某些特殊的疾病,导致舌体无法从空腔内伸 出。如果舌体面积过小,则会导致后续的舌色、舌苔、腐腻等关键诊察指标无法进行准确分析。第二类是伸舌体姿态异常。部分患者虽然伸舌面积较大,但是由于舌尖朝向镜头, 导致成像样本中舌面没有得到展示。
在构建数据集的时候,样本一共分为三类:除了伸舌面积过小、伸舌位姿不正两类样 本之外,还有一类是正常的样本。在舌图像采集完成后,对每幅图像手工标注类别标签,即分别以拟定的三类标签对采集样本进行标注。图像与标注数据一起构成一个样本对,构建舌体姿态异常分类样本数据集。
步骤2:轻型卷积神经网络的结构设计
目前深度学习应用于复杂的分类等任务时,通常需要采用较深的网络,比如ResNet 等。为了获得好的性能,需要在大规模数据集上进行网络的预训练,再将训练好的模型进 行迁移学习,以完成某一具体的任务。这样的做法通常需要消耗大量的计算资源,并且采 用深度网络还可能会由于参数数量过大导致训练周期太长,如果数据集样本数量较少还可 能导致过拟合的问题。考虑舌体姿态异常的类别比较少,只有3类,因此本发明设计了一 种轻型的舌体姿态异常分类神经网络,该网络共有12层,包括9个卷积层和3个全连接 层,卷积层后加入一个平均池化层,每层的参数如表1所示。网络的最后加入了一个Softmax 层,该层可以将预测类别的概率进行映射和归一化,便于分类网络的训练。训练时使用交 叉熵作为损失函数进行训练。
步骤3:基于自建的舌体姿态异常数据集进行网络训练和分类预测。
将舌体姿态异常数据集按照4:1的比例进行训练集、测试集的随机划分。训练之前采 用裁剪、水平翻转、和垂直翻转的方式对训练集进行数据扩充。训练结束后将网络学习到 的权重保存在本地。在判别阶段,将待判别的舌体姿态异常样本图像输入到网络中,输出 即为判断为某一类别的概率。
与现有技术相比,本发明具有以下明显的优势和有益效果:
首先,本发明以深度学习作为主要技术手段,采用端到端的方式,把特征提取和分类 器整合在同一个框架中,通过在自建的数据集上进行多轮迭代训练,使得网络学习到了对 姿态异常特征最有效的表达,取得了较高的分类精度,可以满足实际应用的需求。
其次,本发明提出的网络框架相比较现有的深度网络,具有层数较浅,模型简单、计 算速度快等优势。
因此,本发明可以在占用少量存储空间的情况下,嵌入到现有的智能化分析平台中, 消耗的计算和存储资源均十分有限。
附图说明:
图1轻型卷积神经网络结构图
具体实施方式
表1轻型卷积神经网络参数表
结合以上描述和附图,对本发明的流程做进一步详细说明,但本专利所保护的范围并 不限于该实施流程。
步骤1:构建舌体姿态异常分类数据集
本发明所使用的数据集采集设备是SIPL型中医舌象仪。所有样本采集完成后都由中 医医师进行手工标定。如果在舌图像样本中能够正常观察到舌形、舌色等指标的描述情况, 并且图像画质清晰,则将该样本视为符合条件的正常类。如果舌图像样本由于舌姿异常妨 碍舌形、舌面等指标的标定,则根据成像的舌姿态具体情况细分为两类:第一类是伸舌面 积过小导致的姿态异常。在这种异常类别样本中由于患者张嘴面积太小,露出的舌体只有 整个舌体面积的百分之五十或者更少,难以观察到患者舌体中能够反应病症的重要指标。 第二类是伸舌角度导致的姿态异常。在这种情况中患者的舌体虽然伸出面积较大,但是由 于舌尖正对采集镜头,导致更重要的舌面部分没有成像,这种样本也无法观察到等待后续 智能化分析的指标。
通过采集和归类,一共得到可用样本450例,其中正常类150例,伸舌面积过小150例,伸舌角度异常150例。为了保证训练数据充分,以80%是训练集,20%是测试集的比 例对数据集进行随机划分。
步骤2:轻型卷积神经网络的结构设计
卷积神经网络中包含大量的卷积计算单元,具有深度结构,是深度学习的代表算法之 一。卷积神经网络使用针对图像识别的特殊结构,可以快速训练,非常适用于处理图像任 务。目前常用的卷积网络包括ResNet、SENet、GoogleNet等,都具有较深的网络结构,对 基于大规模数据集的图像处理任务可以获得很好的性能。但是由于网络层数较深,需要训 练的参数量较大,这些网络很难在小规模数据集上取得较好的效果。由于采集得到的舌体 姿态异常数据集规模较小,不适合使用深度网络,因此本发明选择自主设计的轻型卷积神 经网络来进行舌体异常姿态的判别。
本发明设计的卷积神经网络具体包括卷积层、池化层、全连接层以及Softmax。卷积 层一共9层,卷积核的尺寸为3×3。为了防止图像边缘位置在计算中丢失信息,设置padding 大小为1。在第2、4、6、9层卷积层中设置步长为2,其余层中设置步长为1。为了保证层间特征图维度可以正确被传递和计算,特征图输入尺寸、输出尺寸、卷积核尺寸、padding、 步长等参数需要符合以下计算方法:
其中W是输入特征图的尺寸,N是输出特征图的尺寸,k是卷积核的尺寸,p代表padding 的大小,s代表步长。为了使网络能够学习到非线性的表达,每个卷积层后都加入ReLU (Rectified Linear Unit)进行非线性变化,保证网络反向传播的时候不会出现梯度消失的 情况。ReLU是一种神经网络中常用的激活函数。这种函数从生物学角度模拟了脑神经元 接收信号的激活模型,使一部分神经元的输出为0,用稀疏性的方法减少参数之间的依赖 关系,提高反向传播速度的同时防止过拟合的发生。
本发明在卷积层和ReLU之间加入了批归一化(Batch Normalization,BN)层。BN层通过规范化手段,把每层的神经元参数分布映射到均值为0,方差为1的标准正太分布中。这么做可以保证在训练的时候每一层神经网络输入值都处于非线性函数比较敏感的区间内,提升了训练速度和收敛效率。
输入的图像尺寸首先被归一化为224×224大小。由于图像包含RGB三个通道,所以输入的待处理图像尺寸为224×224×3。输入图像经过这9个卷积层的计算,得到128个14×14 大小的特征图。将这些特征图作为输入,送入平均池化层进行池化操作,以去除冗余信息, 并减少内存消耗。这里池化层的卷积核大小为14×14,步长为1,经过平均池化可以得到 128个大小为1×1大小的特征点。经过池化计算之后,特征的维度较低,同时又具有能够表征图像特征的能力。将1×1×128大小的池化层输出作为输入,送入后续的三个全连接层进行矩阵运算。全连接层的层间也加入BN和ReLU保证训练梯度可以有效地传递。
第一个全连接层的维度是128×128,特征图经过第一个全连接层计算,得到1×128大 小的特征向量;第二个全连接层的维度是128×256,经过矩阵运算可以得到1×256大小的 特征向量;第三个全连接层的维度是256×3,经过这层全连接层的运算可以得到1×3大小 的特征向量。这个1×3大小的特征向量作为Softmax层的输入,Softmax层的输出参数设 置为3,对应数据集设置的三个类别。本发明选择交叉熵作为网络训练的损失函数。这种 损失函数用于量化两个概率分布之间差异大小,被广泛应用于图像分类问题。具体计算公 式如下:
其中p代表真实值,q代表预测值。
步骤3:利用舌体姿态异常数据集进行网络训练和分类
在训练阶段,按照8:2比例对数据集进行划分。其中训练集占比80%,测试集占比20%。其次对训练集进行样本扩充。本发明采取的具体措施包括随机裁剪、水平翻转和垂直翻转。随机裁剪将舌图像样本裁剪为224×224,翻转几率设置为随机值,取值为0.5。这样的做法可以大大提升数据集的数据量,使网络参数在训练的过程中避免过拟合。网络训练结束之后,得到优化的网络模型参数。将待预测的舌图像送入设计好的网络架构中,并加载训练好的模型参数,网络输出的是判别为不同类别的概率,其中概率最大值对应的类别作为最终的预测类别。
实验使用“Pytorch”开源架构进行网络的搭建、数据集的读取和训练。系统的配置基本 参数为intel(r)core(tm)i5-7500 CPU@3.40hz,16g内存,Titan xp(Pascal)显卡。本实验在训练模型的时候采用的方法是随机梯度下降(Stochastic Gradient Descent,SGD)。 momentum值为0.9,学习率为0.001。根据数据集规模设置训练的迭代周期为100次。
本发明自建舌体姿态异常类别数据集包括样本450例,具体分为三个类别,包括正常 类、伸舌面积过小、以及伸舌姿态不正。训练的时候将三个类别样本都按照4:1的比例进行划分。得到训练集的样本数总共360例,其中每种类别样本数分别120例;测试集总共 90例,每种类别样本数分别30例。
经过实验,本发明设计的轻型舌体姿态异常分类网络可以准确区分测试集中的待预测 样本,预测准确度达到94.44%。采用相同的训练策略,使用不同的深度网络架构进行对比 实验。对比网络包括VGGNet19,ResNet50,SENet。为了便于对比,所有的网络都没有使用 预训练模型,保证分类任务在相同条件下进行。经过实验,VGGNet19分类准确度为93.87%, ResNet50为93.56%,SENet为92.98%。本发明提出的轻型姿态异常分类网络分类准确率 达到了最高,比VGGNet19高0.57%,比ResNet50高0.88%,比SENet高1.46%。这证明 在小型数据集中相比于没有预训练模型的深度神经网络,使用轻型神经网络进行训练可以 达到更好的效果。经过训练得到的舌体姿态异常分类网络模型大小只有2.45MB,大幅度 节省了存储空间,便于实际的应用部署。
Claims (2)
1.一种基于深度学习的中医舌体姿态异常判决方法,其特征在于:
步骤1:构建舌体姿态异常分类数据集
使用SIPL型中医舌象仪进行舌图像的采集;在实际采集过程中,异常样本有两类,第一类是伸舌面积过小;第二类是伸舌体姿态异常,导致成像样本中舌面没有得到展示;
在构建数据集的时候,样本一共分为三类:除了伸舌面积过小、伸舌位姿不正两类样本之外,还有一类是正常的样本;在舌图像采集完成后,对每幅图像标注类别标签,即分别以拟定的三类标签对采集样本进行标注;图像与标注数据一起构成一个样本对,构建舌体姿态异常分类样本数据集;
步骤2:轻型卷积神经网络的结构设计
设计了一种轻型的舌体姿态异常分类神经网络,该网络包括9个卷积层和3个全连接层,卷积层后加入一个平均池化层,最后加入了一个Softmax层,训练时使用交叉熵作为损失函数进行训练;
步骤3:基于自建的舌体姿态异常数据集进行网络训练和分类预测;
将舌体姿态异常数据集进行训练集、测试集的随机划分;训练之前进行数据扩充;训练结束后将网络学习到的权重保存在本地;在判别阶段,将待判别的舌体姿态异常样本图像输入到网络中,输出即为判断为某一类别的概率。
2.根据权利要求1所述的一种基于深度学习的中医舌体姿态异常判决方法,其特征在于:
设计的卷积神经网络具体包括卷积层、池化层、全连接层以及Softmax;卷积层一共9层,卷积核的尺寸为3×3;在第2、4、6、9层卷积层中设置步长为2,其余层中设置步长为1;
为了保证层间特征图维度可以正确被传递和计算,特征图输入尺寸、输出尺寸、卷积核尺寸、padding、步长需要符合以下计算方法:
其中W是输入特征图的尺寸,M是输出特征图的尺寸,c是卷积核的尺寸,p代表padding的大小,s代表步长;
输入的图像尺寸首先被归一化为224×224大小;由于图像包含RGB三个通道,所以输入的待处理图像尺寸为224×224×3;输入图像经过这9个卷积层的计算,得到128个14×14大小的特征图;将这些特征图作为输入,送入平均池化层进行池化操作,池化层的卷积核大小为14×14,步长为1,经过平均池化得到128个大小为1×1大小的特征点;经过池化计算之后,将1×1×128大小的池化层输出作为输入,送入后续的三个全连接层进行矩阵运算;
第一个全连接层的维度是128×128,特征图经过第一个全连接层计算,得到1×128大小的特征向量;特征向量在进入下一个全连接层计算之前先经过一个BN层规范化处理,然后再使用ReLU进行非线性计算,处理之后的特征向量再送入下一层进行计算;第二个全连接层的维度是128×256,经过矩阵运算得到1×256大小的特征向量;本层特征向量在送入第三个全连接层之前也使用BN层规范化处理,再用ReLU进行非线性计算,进而送到第三个全连接层继续计算;第三个全连接层的维度是256×3,经过这层全连接层的运算得到1×3大小的特征向量;这个1×3大小的特征向量作为Softmax层的输入,Softmax层的输出参数设置为3,对应数据集设置的三个类别;选择交叉熵作为网络训练的损失函数;计算公式如下:
其中p代表真实值,q代表预测值;N代表同一训练批次内的样本总数,k代表第k个样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110243772.8A CN113033330A (zh) | 2021-03-05 | 2021-03-05 | 一种基于轻型卷积神经网络的舌体姿态异常判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110243772.8A CN113033330A (zh) | 2021-03-05 | 2021-03-05 | 一种基于轻型卷积神经网络的舌体姿态异常判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113033330A true CN113033330A (zh) | 2021-06-25 |
Family
ID=76468152
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110243772.8A Pending CN113033330A (zh) | 2021-03-05 | 2021-03-05 | 一种基于轻型卷积神经网络的舌体姿态异常判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113033330A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565035A (zh) * | 2022-02-24 | 2022-05-31 | 集美大学 | 一种舌象分析方法、终端设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1830380A (zh) * | 2006-04-20 | 2006-09-13 | 上海交通大学 | 中医舌像分析与诊断系统 |
CN110210391A (zh) * | 2019-05-31 | 2019-09-06 | 合肥云诊信息科技有限公司 | 基于多尺度卷积神经网络的舌象纹理定量分析方法 |
CN110782986A (zh) * | 2019-10-28 | 2020-02-11 | 北京峰云视觉技术有限公司 | 一种智能舌诊数据处理系统及方法 |
CN112163477A (zh) * | 2020-09-16 | 2021-01-01 | 厦门市特种设备检验检测院 | 一种基于FasterR-CNN的扶梯行人位姿目标检测方法及系统 |
-
2021
- 2021-03-05 CN CN202110243772.8A patent/CN113033330A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1830380A (zh) * | 2006-04-20 | 2006-09-13 | 上海交通大学 | 中医舌像分析与诊断系统 |
CN110210391A (zh) * | 2019-05-31 | 2019-09-06 | 合肥云诊信息科技有限公司 | 基于多尺度卷积神经网络的舌象纹理定量分析方法 |
CN110782986A (zh) * | 2019-10-28 | 2020-02-11 | 北京峰云视觉技术有限公司 | 一种智能舌诊数据处理系统及方法 |
CN112163477A (zh) * | 2020-09-16 | 2021-01-01 | 厦门市特种设备检验检测院 | 一种基于FasterR-CNN的扶梯行人位姿目标检测方法及系统 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114565035A (zh) * | 2022-02-24 | 2022-05-31 | 集美大学 | 一种舌象分析方法、终端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic detection of diabetic retinopathy in retinal fundus photographs based on deep learning algorithm | |
CN111598867B (zh) | 用于检测特定面部综合征的方法、装置及计算机可读存储介质 | |
CN114998210B (zh) | 一种基于深度学习目标检测的早产儿视网膜病变检测系统 | |
CN111160135A (zh) | 基于改进的Faster R-cnn的尿红细胞病变识别与统计方法和系统 | |
CN111079620B (zh) | 基于迁移学习的白细胞图像检测识别模型构建方法及应用 | |
CN112465905A (zh) | 基于深度学习的磁共振成像数据的特征脑区定位方法 | |
CN114037011B (zh) | 一种中医舌色噪声标注样本的自动识别与清洗方法 | |
CN113610118B (zh) | 一种基于多任务课程式学习的青光眼诊断方法、装置、设备及方法 | |
Patel | Diabetic retinopathy detection and classification using pre-trained convolutional neural networks | |
CN112348059A (zh) | 基于深度学习的多种染色病理图像分类方法及系统 | |
CN115035127A (zh) | 一种基于生成式对抗网络的视网膜血管分割方法 | |
CN111462082A (zh) | 一种病灶图片识别装置、方法、设备及可读存储介质 | |
CN117690128A (zh) | 胚胎细胞多核目标检测系统、方法和计算机可读存储介质 | |
Simanjuntak et al. | Cataract classification based on fundus images using convolutional neural network | |
Sharma et al. | Harnessing the Strength of ResNet50 to Improve the Ocular Disease Recognition | |
CN113033330A (zh) | 一种基于轻型卷积神经网络的舌体姿态异常判别方法 | |
CN112633301A (zh) | 一种基于深度度量学习的中医舌图像腐腻特征分类方法 | |
CN112784924A (zh) | 基于分组聚合深度学习模型的肋骨骨折ct图像分类方法 | |
Sengar et al. | An efficient artificial intelligence-based approach for diagnosis of media haze disease | |
CN113476065B (zh) | 一种多类肺炎诊断系统 | |
CN116091446A (zh) | 食管内窥镜图像的异常检测方法、系统、介质及设备 | |
Voggu et al. | A survey on skin disease detection using deep learning techniques | |
Deepa et al. | Pre-Trained Convolutional Neural Network for Automated Grading of Diabetic Retinopathy | |
Aglibot et al. | Urine crystal classification using convolutional neural networks | |
Cao et al. | Alzheimer’s Disease Stage Detection Method Based on Convolutional Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |